In 2020 hebben Rijkswaterstaat en ProRail in opdracht van het Nederlandse Ministerie van Infrastructuur en Waterstaat de ReferentiePrognose Goederenvervoer 2021 (kort: RPGV2021) laten uitvoeren. In deze paper geven we een korte toelichting over het model BasGoed in het algemeen en het project RPGV2021 specifiek. Het vernieuwing van het model BasGoed bevat onder ander een meer gedetailleerde kostenfunctie waarmee de transportkosten wordt berekend, de implementatie van een nieuwe containerketenmodule en de inclusie van een nieuw energiescenario. Om de werking van deze vernieuwing te analyseren, wordt in deze paper de plausibiliteit van de modelelasticiteiten getoetst. Verder vergelijken we de modeluitkomsten voor een prognose voor het jaar 2018 met realisatiecijfers. Deze vergelijking laat zien dat het weggoederenvervoer inclusief bestelauto op hetzelfde niveau uitkomt als de realisatie, maar dat op een gedetailleerder niveau de verdeling over de voertuigtypen afwijkt. In het algemeen geven de analyseresultaten vertrouwen in de resultaten uit de RPGV2021, welke in hoofdlijn in dit paper worden omschreven en visualiseert.

Reliable and accurate short-term traffic state prediction can improve the performance of real-time traffic management systems significantly. Using this short-time prediction based on current measurements delivered by advanced surveillance systems will support decision-making processes on various control strategies and enhance the performance of the overall network. By taking
proactive action deploying traffic management measures, congestion may be prevented or its effects limited. An approach of short-term traffic state prediction is presented and implemented in a real life case for the city of Assen in the Netherlands. This prediction is based on connecting online traffic measurements with a real time traffic model using the macroscopic dynamic
traffic assignment model StreamLine in a rolling horizon implementation. Different monitoring data sources consisting of both fixed-point and floating car data are used. The advantage of the rolling horizon approach is that no warming-up period is needed for the dynamic traffic assignment taking less computation time while keeping results consistent. Further, the current traffic state
estimation is done by combining model estimates of previous predictions and current measurements. The results of predictions made in the real life case are presented as well as several tested methods for improving the current state estimations showing promising results.